2020年终总结

前言

本来是不准备写这个年终总结的,因为觉得自己过去这一年实在是没有做过什么事情,但是成长就是要复盘,正是因为这种挫败的感觉,才更要总结。

流水账

技术方面

好像有很多,真的是很多,各种博客公众号看了5000+篇,书籍看了30+本,极客时间卖桃者说全部听了一遍,专栏和视频看了有100+小时,慕课网教程看了200+小时,也用哔哩哔哩客户端学习。
总结下来,涉及到C语言、汇编语言、Kotlin语言、Javascript语言、Nodejs技术,各种Java技术和Android技术。看了20余个Android开源框架的源码,Android Github TOP 100的项目刷了一遍,年末还刷了LeetCode的Hot 100。
哈哈,恐怖如斯,我努力吗?很努力,比大多数人都努力(欢迎来喷)。可是问题来了,我学到了什么?感觉学到了很多,但是提笔写代码,却什么都写不出来,这种感觉很挫败。我相信不止我一个人有这种感觉,感觉自己也很努力,但是就是跟别人差距很大,到底问题出在哪里了呢?我最近反思的结果是这样的。缺少的是总结、体系化还有动手。我学一些知识总是追求量,却从没有考虑过质。最终导致的结果就是学了跟没学一样。

工作方面

马上入职新公司了,自己加油。

总结

  1. 慢下来,不要追求量,追求质。
  2. 看书是学习最快的方式。
  3. 无论做什么,不总结,不实践,等于没做。
  4. 不要看各种公众号,不要进行碎片化学习。
【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值